Eliminemos el bombo publicitario y definamos la inteligencia artificial empresarial. La IA empresarial simula las funciones cognitivas de la mente humana (aprendizaje, razonamiento, percepción, planificación, resolución de problemas y autocorrección) con sistemas informáticos. La IA empresarial es parte de una variedad de aplicaciones comerciales, como sistemas expertos, aprendizaje automático, reconocimiento de voz y reconocimiento de imágenes.
La IA empresarial también abarca herramientas de automatización, incluida la automatización de procesos robóticos, que realizan tareas repetibles de gran volumen que de otro modo serían manejadas por trabajadores humanos, así como robots físicos que se encuentran en los almacenes o en las líneas de producción de las fábricas. En última instancia, esta combinación aumenta la eficiencia y ayuda a realizar tareas mundanas y peligrosas.
Además, el aprendizaje automático permite que las computadoras aprendan sin programación explícita. El aprendizaje automático evolucionó a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en IA, y ahora implica la construcción de algoritmos que pueden aprender de los datos y hacer predicciones sobre ellos.
Fiel a su etiqueta, el reconocimiento de imágenes permite que las máquinas vean. La tecnología captura y analiza datos visuales mediante una cámara, conversión de analógico a digital y procesamiento de señales digitales. Las aplicaciones comunes del reconocimiento de imágenes incluyen imágenes médicas e identificación de firmas.
Las organizaciones quieren mayores conocimientos comerciales y ventajas competitivas. Este factor está impulsando una mayor demanda de usos empresariales de inteligencia artificial y big data. A medida que las empresas recopilan más y más datos de una variedad de fuentes, la inteligencia artificial puede ayudar a identificar tendencias y patrones de manera mucho más eficiente que las personas.
La IA impacta en gran medida las estrategias de gestión de datos empresariales y las infraestructuras de TI, y las organizaciones deben tomar medidas para respaldar las iniciativas de IA. Por ejemplo, una infraestructura de inteligencia artificial debe admitir marcos como TensorFlow, Caffe, Theano y Torch, así como entornos de GPU, para ofrecer una potencia computacional rápida.
Muchas capacidades de infraestructura de IA provienen de la nube y las ofertas de infraestructura como servicio. Los proveedores de servicios deben continuar apoyando la funcionalidad de la IA e integrar la IA como un componente clave de su infraestructura y servicios.
Evolución de datos de IA: ETL e integración
La integración de datos efectiva es fundamental para la IA empresarial. Los datos son el elemento vital de las aplicaciones empresariales de inteligencia artificial y su extracción y almacenamiento deben optimizarse.
Uno de los métodos de integración anteriores, ETL (extraer, transformar y cargar), se refiere a tres funciones distintas de administración de bases de datos combinadas en una sola herramienta de programación. Las empresas utilizan ETL para mover datos de una base de datos a otra, a menudo para cargarlos desde y hacia los almacenes de datos.
La función de extracción lee datos de una base de datos específica y extrae un subconjunto de ella. La función de transformación trabaja con los datos adquiridos, usando reglas o creando combinaciones con otros datos para convertirlos al estado deseado. Y la función de carga escribe los datos resultantes en una base de datos de destino.
Numerosas plataformas de integración de datos siguen ETL. Estos incluyen integración de información empresarial (EII), integración de aplicaciones empresariales (EAI) y plataforma de integración basada en la nube como servicio (iPaaS).
- EII consolida un gran grupo de fuentes de datos distintas en un solo recurso, proporcionando una vista unificada de una organización. Los datos se pueden guardar en varios formatos, incluidas bases de datos relacionales, texto, XML y sistemas de almacenamiento con sistemas de indexación y acceso a datos patentados.
- Con EAI, las empresas comparten procesos y datos comerciales en todas las aplicaciones comerciales, incluida la planificación de recursos empresariales, la gestión de relaciones con los clientes, la gestión de la cadena de suministro y otros recursos.
- Los servicios iPaaS brindan interoperabilidad en tiempo real entre aplicaciones y bases de datos basadas en la nube.
La última evolución de la integración de datos incluye el procesamiento de flujos, la preparación de datos y las plataformas de mensajería.
- El procesamiento de flujo se refiere al procesamiento de datos en movimiento, o el procesamiento de datos tan pronto como se producen o reciben de sitios web, aplicaciones comerciales, dispositivos móviles, sensores u otras fuentes. Después de recibir un evento de una transmisión, una aplicación de procesamiento reacciona al evento. Los cálculos de transmisión pueden procesar múltiples flujos de datos al mismo tiempo.
- La preparación de datos implica la recopilación, limpieza y consolidación de datos en un solo archivo o tabla de datos, principalmente para análisis. La preparación es especialmente importante cuando los datos no están estructurados o se combinan de varias fuentes.
- Las plataformas de mensajería conectan aplicaciones, servicios y dispositivos a través de diversas tecnologías a través de un marco de mensajería basado en la nube.
La diferencia entre ETL y un término similar, ELT (extraer, cargar, transformar), radica en el momento de la transformación. Con ELT, los datos sin procesar se cargan en el almacén de datos y luego ocurre la transformación, mientras que con ETL esta transformación ocurre antes de que se cargue.
Evolución de los datos de IA: procesamiento y redes neuronales
El procesamiento de datos también ha evolucionado con el tiempo, y las redes neuronales, o redes neuronales artificiales, son un desarrollo significativo dentro del contexto de la IA empresarial. Las tecnologías de aprendizaje profundo forman la base de estas redes, modeladas hasta cierto punto a partir del cerebro humano. Al alimentar a las computadoras con una gran cantidad de datos, las tecnologías de aprendizaje profundo permiten que la computadora aprenda. Por esa razón, son vitales para las iniciativas de IA.
Una red neuronal consta de hardware y software diseñados para funcionar como neuronas cerebrales. Desde el punto de vista de las aplicaciones comerciales, las redes neuronales tienen como objetivo resolver problemas complejos de procesamiento de señales y reconocimiento de patrones, incluida la transcripción de voz a texto, el reconocimiento de escritura a mano y el reconocimiento facial.
Por lo general, una red neuronal involucra muchos procesadores que operan en paralelo, dispuestos en niveles altamente conectados. El primer nivel recibe datos sin procesar y cada nivel sucesivo recibe la salida del nivel que lo precede. El nivel final produce la salida.
Las redes neuronales se adaptan y pueden modificarse a sí mismas a medida que aprenden con el tiempo. Los científicos e ingenieros de datos entrenan redes con grandes cantidades de información. Con cada entrenamiento posterior, las redes aprenden el resultado deseado.
Otro aspecto importante del procesamiento de datos de IA es la necesidad de datos de alta calidad. Si bien la calidad de los datos siempre ha sido importante, podría decirse que es más vital que nunca con las iniciativas de IA.
La calidad de los datos puede determinar el éxito de la IA empresarial. Si los datos entrantes son deficientes, por ejemplo, si contienen cifras incorrectas o desactualizadas, los resultados salientes probablemente reflejarán esa baja calidad y disminuirán el valor de la IA para la organización. A medida que mejora la calidad de los datos de la IA, también lo hacen los conocimientos.
Mitos de la IA y la necesidad de una verificación de la realidad
La IA ofrece beneficios claramente presentes para las organizaciones. Pero las empresas deben ser conscientes de los conceptos erróneos sobre la tecnología y comprobar la realidad cuando se trata de expectativas.
En 2017, la firma de investigación Gartner describió algunos de los mitos relacionados con la IA. Una es que la IA es una entidad única que las empresas pueden comprar. En realidad, es una colección de tecnologías utilizadas en aplicaciones y sistemas para agregar capacidades funcionales específicas, y requiere una infraestructura de inteligencia artificial robusta y un compromiso en toda la organización. Sin el compromiso de nivel C y la prueba del ROI, las inversiones en IA pueden fallar.
Otro mito es que cada problema es un caso de uso óptimo para la IA. Hay suficientes datos disponibles para que las organizaciones comprendan dónde aplicar las tecnologías de inteligencia artificial. Ya no es aconsejable distribuir ampliamente la inversión; más bien, las organizaciones deberían enfocarse en sus programas de IA.
Otro mito más es que la IA tiene características humanas. Los desarrolladores de inteligencia artificial utilizan análisis avanzados, algoritmos especiales y grandes cantidades de datos para engañar a las personas y hacerles creer que su producto aprende por sí solo y comprende y empatiza con el usuario. Las organizaciones deben evitar pensar que las tecnologías son más capaces de lo que realmente son.